Convolutional Neural Networks

• Key ingredients of a CNN
• • 如何使用卷积神经网络翻译像素的概念
  • • why pooling
  • 一些卷积过程中常见的实际问题汇总
  • • padding
    • stride
• Real-world Feature Invariance: Data augmentation
• different architectures
• • • LeNet
• The art of CNN training
• • • 需要大量数据
    • 归一化问题
    • 梯度消失/爆炸问题
    • 小批量梯度下降
    • 训练中的优化问题
    • 参数tuning
    • 训练/验证/测试集分配
    • 表现评价
    • 偏差和方差
    • 贝叶斯最优误差
    • 误差分析

Key ingredients of a CNN

对比人类视觉系统的特性和深度学习中CNN的构建模块，二者有很多相似之处

如何使用卷积神经网络翻译像素的概念

Convolutions:
Spatial structure, local computation, shared parameters

why pooling

一些卷积过程中常见的实际问题汇总

padding

边缘位置像素特征提取会变差，因此需要补零

stride

Real-world Feature Invariance: Data augmentation

Image is represented as matrix of pixel values… and computers are literal!
We want to be able to classify an X as an X even if it’s shifted, shrunk, rotated, deformed.

首先可以做的就是数据增强，让计算机见到更多，更全面的场景可能会出现的数据

different architectures

LeNet

5层卷积，帮我们建立了卷积神经网络构建的基本架构

The art of CNN training

需要大量数据

归一化问题

梯度消失/爆炸问题

小批量梯度下降

训练中的优化问题

参数tuning

训练/验证/测试集分配

表现评价

偏差和方差

贝叶斯最优误差

误差分析

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！